Różnica między uczeniem maszynowym a sieciami neuronowymi - Różnica Pomiędzy

Różnica między uczeniem maszynowym a sieciami neuronowymi

Główna różnica między uczeniem maszynowym a sieciami neuronowymi polega na tym, że uczenie maszynowe polega na opracowywaniu algorytmów, które mogą analizować i uczyć się na podstawie danych w celu podejmowania decyzji, podczas gdy sieci neuronowe są grupą algorytmów w uczeniu maszynowym, które wykonują obliczenia podobne do neuronów w ludzkim mózgu.

Uczenie maszynowe to technika opracowywania samouczących się algorytmów, które mogą analizować dane, uczyć się od nich, rozpoznawać wzorce i podejmować odpowiednie decyzje. Jest to podkategoria sztucznej inteligencji. Uczenie maszynowe wykorzystuje różne algorytmy. Sieć neuronowa jest jedną z nich. Koncepcje te są szeroko stosowane w różnych dziedzinach, takich jak medycyna, robotyka, produkcja i rolnictwo.

Kluczowe obszary objęte

1. Czym jest uczenie maszynowe
- Definicja, typy, funkcjonalność
2. Czym są sieci neuronowe
- Definicja, typy, funkcjonalność
3. Różnica między uczeniem maszynowym a sieciami neuronowymi
- Porównanie kluczowych różnic

Kluczowe terminy

Sztuczna inteligencja, sieć sprzężeń zwrotnych, sieć sprzężenia zwrotnego, uczenie maszynowe, sieci neuronowe, nadzorowane uczenie się, uczenie się bez nadzoru


Czym jest uczenie maszynowe

Uczenie maszynowe to podzbiór sztucznej inteligencji. Algorytmy uczenia maszynowego analizują dane, uczą się od nich i podejmują decyzje. Wykorzystuje metody statystyczne i pozwala maszynie poprawiać się z doświadczeniem.


Rysunek 1: Uczenie maszynowe

Istnieją dwa główne typy uczenia maszynowego: nauka nadzorowana i nauka bez nadzoru. W Nadzorowana nauka, istnieją zmienne wejściowe (x) i zmienne wyjściowe (y). Algorytm jest szkolony poprzez mapowanie wejść na wyjścia (y = f (x)). Przy dostarczaniu nowego wejścia algorytm powinien przewidzieć wyjście. Regresja liniowa, maszyna wektora wsparcia i losowe lasy to tylko niektóre przykłady uczenia się nadzorowanego.

W nauka bez nadzoru, istnieją tylko dane wejściowe (x). Brak danych wyjściowych. W tym typie nie jest konieczne trenowanie algorytmu. Zamiast tego samodzielnie odkrywa wzorce w danych wejściowych. Jednym z głównych nienadzorowanych algorytmów uczenia się jest grupowanie. Identyfikuje podobne instancje i grupuje je w celu utworzenia klastrów. Zazwyczaj nauka bez nadzoru jest trudna niż nauka nadzorowana. W skrócie, uczenie maszynowe pomaga w opracowaniu systemów, które mogą uczyć się i wykonywać przewidywania za pomocą danych.

Czym są sieci neuronowe

Sieci neuronowe są inspirowane neuronami biologicznymi. W ludzkim mózgu są miliony neuronów, a informacja przechodzi z jednego neuronu do drugiego. Sieci neuronowe wykorzystują tę koncepcję do szybszego wykonywania zadań obliczeniowych.


Rysunek 2: Sieć neuronowa

Istnieją dwa typy sieci neuronowych zwane sprzężeniem zwrotnym i sprzężeniem zwrotnym. W sieci wyprzedzające, informacja przechodzi tylko od wejścia do wyjścia i nie zawiera pętli sprzężenia zwrotnego. W sieci informacji zwrotnej, informacja może przejść do obu kierunków i zawiera ścieżkę sprzężenia zwrotnego.

Sieci sprzężenia zwrotnego są dalej podzielone na sieci jednowarstwowe i sieci wielowarstwowe. W sieci jednowarstwowej warstwa wejściowa łączy się z warstwą wyjściową. Z drugiej strony sieć wielowarstwowa ma więcej warstw zwanych warstwami ukrytymi między warstwą wejściową a warstwą wyjściową.

Sieć neuronowa zawiera węzły. Węzły te są podobne do neuronów w mózgu. Ponadto połączenia w sieci mają określone wagi. Gdy dane wejściowe do węzłów to x1, x2, x3… i odpowiadające im wagi to w1, w2, w3,… dane wejściowe netto (y) są podobne do poniższych.

y = x1. w1 + x2. w2 + x3.w3 +….

Po zastosowaniu funkcji aktywacji, takiej jak liniowa lub sigmoidalna, na wejściu sieciowym, zapewnia wyjście jak poniżej.

Y = F (y)

Następnie dane wyjściowe są oceniane. Wagi dostosowują się, jeśli oszacowane wyjście różni się od żądanego wyjścia. Ten proces jest powtarzany aż do uzyskania pożądanych wyników. Jest to podstawowa funkcjonalność sieci neuronowej.

Różnica między uczeniem maszynowym a sieciami neuronowymi

Definicja

Nauka obróbki skrawaniem odnosi się do algorytmów, które wykorzystują techniki statystyczne umożliwiające komputerom uczenie się na podstawie danych i stopniowe zwiększanie wydajności określonego zadania. Sieć neuronowa to system inspirowany neuronami biologicznymi w ludzkim mózgu, który może szybciej wykonywać zadania obliczeniowe.

Algorytmy

Regresja, klasyfikacja, grupowanie, maszyna wektorów wsparcia, losowe lasy to nieliczne algorytmy uczenia maszynowego. Sieci neuronowe są również algorytmem, który podlega uczeniu maszynowemu.

Wniosek

Różnica między uczeniem maszynowym a sieciami neuronowymi polega na tym, że uczenie maszynowe polega na opracowywaniu algorytmów, które mogą analizować i uczyć się na podstawie danych w celu podejmowania decyzji, podczas gdy sieci neuronowe są grupą algorytmów w uczeniu maszynowym, które wykonują obliczenia podobne do neutronów w ludzkim mózgu.

Odniesienie:

1. Co to jest uczenie maszynowe? | Podstawy uczenia maszynowego | Samouczek uczenia maszynowego | Edureka !, 16 marca 2018,